[ИАД, осень 2025] Методы глубокого обучения. Занятие 11: Diffusion Models, Flow Matching

Item: [ИАД, осень 2025] Методы глубокого обучения. Занятие 11: Diffusion Models, Flow Matching
Rating: 4
Author: PostSingularity Institute

par Machine Learning – Intelligent Systems

Sciences formelles & physiques IA — Modèles & Recherche UYQIntelligence artificielle (IA)UYQFIntelligence artificielle générative

🎙 Machine Learning – Intelligent Systems 👥 8K 📅 25 novembre 2025 ⏱ 194 min 👁 230 📄 cours magistral 🧭 2026-08-16

Disponible en : Français (actuel) English

Mots-clés

diffusion modelsflow matchingDDPMlatent diffusionguidance

Résumé

Ce cours magistral, dispensé dans le cadre d’un module sur les méthodes d’apprentissage profond, aborde en profondeur les modèles de diffusion et le flow matching. L’enseignant commence par un rappel des modèles génératifs vus précédemment (autoregressifs, autoencodeurs, GAN) et introduit la taxonomie des modèles génératifs. Il présente ensuite l’idée intuitive des modèles de diffusion : un processus de destruction progressive de l’information par ajout de bruit, puis un apprentissage du processus inverse pour générer des données. La partie centrale est consacrée à la dérivation mathématique des modèles de diffusion probabilistes (DDPM), en s’appuyant sur la similarité avec les autoencodeurs variationnels (VAE) et l’utilisation de l’ELBO. Le cours détaille le processus direct de bruitage et le processus inverse paramétré par un réseau de neurones. Ensuite, il introduit le flow matching comme une généralisation des modèles de diffusion, permettant un transport plus flexible entre le bruit et les données. La notion de guidance est expliquée comme un moyen d’incorporer des conditions (par exemple, du texte) dans la génération. Enfin, les modèles de diffusion latente (LDM) sont présentés comme une approche efficace pour la génération d’images et de vidéos, en travaillant dans un espace latent de plus basse dimension. Le cours se termine par un aperçu des modèles génératifs et une pause café, suivie d’un séminaire pratique sur le flow matching sur des données 2D.

222 mots

Évaluation critique

Valeur des informations & solidité de l’argumentation

La valeur des informations est élevée : le cours fournit une base théorique solide pour comprendre les modèles de diffusion et le flow matching, avec des dérivations mathématiques détaillées. L’argumentation est construite de manière pédagogique, partant de concepts connus (VAE) pour introduire progressivement les nouveautés. Les explications sont claires et structurées, ce qui facilite la compréhension. La solidité de l’argumentation repose sur une progression logique et des justifications mathématiques rigoureuses.

Rigueur scientifique, qualité des sources, adéquation du titre

La rigueur scientifique est bonne : le cours s’appuie sur des fondements mathématiques solides et présente les concepts de manière précise. Cependant, aucune source externe n’est citée explicitement dans la vidéo, ce qui limite la vérifiabilité. Le titre est en adéquation avec le contenu, qui couvre bien les modèles de diffusion et le flow matching. La qualité des sources est donc moyenne, mais le contenu est fiable en raison de sa nature académique.

158 mots

Adéquation titre / contenu

Le titre correspond parfaitement au contenu : il s'agit bien de la onzième leçon d'un cours sur les méthodes d'apprentissage profond, consacrée aux modèles de diffusion et au flow matching.

Qualité & fiabilité

8/10

Cours universitaire structuré, présentant les fondements mathématiques des modèles de diffusion et de flow matching. Les explications sont rigoureuses et s'appuient sur des dérivations formelles. La qualité est élevée, mais le format de cours magistral limite la vérifiabilité immédiate des sources.

Chapitres

Apport & nouveautés

Ce cours apporte une explication pédagogique et détaillée des modèles de diffusion et du flow matching, en les reliant aux concepts de VAE et en fournissant une dérivation complète de l’ELBO. Il met en lumière les liens entre ces approches et leur importance pratique dans la génération d’images et de vidéos. Pour aller plus loin :

Denoising Diffusion Probabilistic Models — Article fondateur de DDPM, essentiel pour approfondir.
Flow Matching for Generative Modeling — Article de référence sur le flow matching.
High-Resolution Image Synthesis with Latent Diffusion Models — Présente les modèles de diffusion latente, utilisés dans Stable Diffusion.

99 mots

Profil radar

Le profil radar montre une très haute quantité d'informations et un niveau technique élevé, indiquant un contenu dense et spécialisé. La qualité et la fiabilité sont également bonnes, mais légèrement inférieures, ce qui suggère une présentation solide mais sans sources externes explicites.

Fiabilité 8/10